重庆做网站建设找谁,化工材料 技术支持 东莞网站建设,免费建站网站一级大录像不卡在线看,wordpress网页地址广告公司可以使用生成式人工智能和文字转图像根基模型#xff0c;制作创新的广告素材和内容。在本篇文案中#xff0c;将演示如何使用亚马逊云科技Amazon SageMaker从现有的基本图像生成新图像#xff0c;这是一项完全托管式服务#xff0c;用于大规模构建、训练和部署机器…广告公司可以使用生成式人工智能和文字转图像根基模型制作创新的广告素材和内容。在本篇文案中将演示如何使用亚马逊云科技Amazon SageMaker从现有的基本图像生成新图像这是一项完全托管式服务用于大规模构建、训练和部署机器学习模型。采用此解决方案企业无论规模如何都可以比以往更快地制作新的广告素材而且大幅降低成本。这样便能够以低成本和高速度为企业制作新的定制广告素材内容。 解决方案概览 想象这样一个场景一家全球汽车公司需要为其即将发布的新车型制作新的营销材料为此聘请了一家广告公司该公司以向拥有强大品牌资产的客户提供广告解决方案而闻名。这家汽车制造商在寻找低成本的广告素材以便在保持汽车制造商品牌形象的同时使用不同的位置、颜色和视角来展示该车型。凭借先进技术的强大功能广告公司可以在其安全的亚马逊云科技环境中使用生成式人工智能模型为客户提供支持。 该解决方案是使用生成式人工智能以及Amazon SageMaker中的文字转图像模型开发的。SageMaker是一项完全托管式机器学习ML服务可针对任何使用场景使用完全托管的基础设施、工具和工作流轻松地构建、训练和部署机器学习模型。Stable Diffusion是Stability AI推出的文本到图像根基模型用于支持图像生成流程。Diffusers是预先训练的模型通过Stable Diffusion使用现有图像根据提示生成新图像。将Stable Diffusion与ControlNet等Diffusers结合使用可以利用现有的品牌特定内容开发出炫目的版本。在亚马逊云科技中使用Amazon SageMaker开发解决方案的主要好处是 私密性——将数据存储在Amazon Simple Storage ServiceAmazon S3中并使用SageMaker托管模型这样就可以遵循亚马逊云科技账户中的安全最佳实践同时不对外公开资产。 可扩展性——将Stable Diffusion模型部署作为SageMaker端点时允许配置实例大小和实例数量从而实现可扩展性。SageMaker端点还具备自动扩缩功能和高可用性。 灵活性——在创建和部署端点时可以通过SageMaker灵活选择GPU实例类型。此外在业务需求发生变化时可以毫不费力地更改SageMaker端点后面的实例。亚马逊云科技还开发了硬件和芯片为生成式人工智能使用AWS Inferentia2以最低的成本实现高性能的推理。 快速创新——生成式人工智能是一个快速发展的领域采用全新方法而且还在不断开发和发布新模型。Amazon SageMaker JumpStart定期推出新模型和根基模型。 端到端集成——利用亚马逊云科技能够将创作流程与任何亚马逊云科技服务集成并开发端到端的流程通过AWS Identity and Access ManagementIAM进行精细的访问控制通过Amazon Simple Notification ServiceAmazon SNS发送通知以及使用事件驱动型计算服务AWS Lambda进行后处理。 分发——生成新素材后使用亚马逊云科技的Amazon CloudFront可以通过多个区域中的全球渠道分发内容。 在此篇文案中使用GitHub为示例该示例使用Amazon SageMaker Studio和根基模型Stable Diffusion、提示、计算机视觉技术和SageMaker端点从现有图像生成新图像。下图展示了该解决方案的架构。 该工作流包含以下步骤 将现有内容图片、品牌风格等安全地存储在S3存储桶中。 在SageMaker Studio笔记本中使用计算机视觉技术将原始图像数据转换为图像这将保留产品汽车模型的形状去除颜色和背景并生成单色的中间图像。 中间图像用作Stable Diffusion与ControlNet的控制图像。 在基于GPU的适宜实例大小上从SageMaker Jumpstart部署SageMaker端点和Stable Diffusion文本转图像根基模型并部署ControlNet。 使用描述新背景和汽车颜色的提示以及单色中间图像来调用SageMaker端点从而生成新图像。 新图像在生成后存储在S3存储桶中。 在SageMaker端点上部署ControlNet 要将模型部署到SageMaker端点必须为每个单独的技术模型构件创建一个压缩文件并创建Stable Diffusion权重、推理脚本和NVIDIA Triton配置文件。 为了创建模型管道定义一个inference.py脚本SageMaker实时端点将使用该脚本来加载和托管Stable Diffusion与ControlNet tar.gz文件。 从模型URI使用所需的实例大小GPU类型部署SageMaker端点。 生成新图像 现在端点已部署在SageMaker端点上我们可以传入提示和要用作基准的原始图像。 为了定义提示创建正向提示p_p这是希望在新图像中出现的内容还创建了负向提示n_p这是希望在新图像中避免出现的内容。 最后使用提示和源图像调用端点以此来生成新图像。 不同的ControlNet技术 综上所述比较不同的ControlNet技术及其在所生成图像上的效果。通过以下原始图像使用Amazon SageMaker中的Stable Diffusion和ControlNet生成新内容。 下表显示了技术输出如何描述在原始图像中需要强调的内容。 清理 使用生成式人工智能生成新的广告素材后清理所有不再使用的资源。删除Amazon S3中的数据并停止任何SageMaker Studio笔记本实例以免继续产生任何费用。如果您使用SageMaker JumpStart将Stable Diffusion部署为SageMaker实时端点请通过SageMaker控制台或SageMaker Studio删除该端点。 总结 使用SageMaker上的根基模型从存储在Amazon S3中的现有图像创建新的内容图像。借助这些技术营销、广告和其他创意机构都能够使用生成式人工智能工具增强其广告创意流程。
